MCP Research Bot

MCP运维云端

提供方 abhishek7467

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个自动化的模型上下文协议(MCP)服务器,用于发现、抓取、处理和总结研究论文和新闻文章,生成HTML、PDF和JSON格式的每日报纸。

一句话选型结论

按资料字段整理

MCP Research Bot 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

研究论文Python本地部署新闻摘要AI生成自动化处理多格式输出

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python3 -m venv venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Research Bot当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方abhishek7467上游标注的维护方 abhishek7467
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

8.6 KB
来自项目仓库与上游目录的原文,未做删改

用于日常研究+新闻报纸的MCP服务器

自动化 模型上下文协议(MCP)服务器 它发现、抓取、处理和总结研究论文和新闻文章,以HTML、PDF和JSON格式生成精美的日报。

🌟 特性

  • 多源发现:自动从以下位置发现内容:

  • arXiv、PubMed、Crossref、bioRxiv(研究论文)

  • 期刊RSS提要(自然、科学等)
  • 新闻来源(麻省理工学院技术评论、Ars Technica、谷歌新闻)

  • AI驱动的总结:用途 谷歌双子座 和 OpenAI GPT-4 生成:

  • 引人注目的标题

  • TL;DR摘要
  • 关键要点
  • 显著性分析
  • 局限性

  • 智能处理:

  • 跨源重复数据删除

  • 使用嵌入进行相关性评分
  • 时效性和可信度权重
  • 自动分段分配

  • 精美的报纸输出:

  • 专业的HTML设计

  • PDF生成
  • JSON元数据导出
  • 多个部分(热门研究、新闻、工具等)

  • 法律与道德:

  • 尊重 robots.txt

  • 每个域的速率限制
  • 合理使用合规性
  • 元数据仅适用于付费内容

📋 需求

  • Python 3.8+
  • OpenAI API密钥(用于嵌入和GPT-4)
  • Google Gemini API密钥(用于摘要)
  • 可选:PostgreSQL、Elasticsearch、wkhtmltopdf

🚀 快速开始

1.克隆和设置```bash

git clone https://github.com/abhishek7467/mcp-research-bot.git

cd "mcp-research-bot"

Create virtual environment

python3 -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate

Install dependencies

pip install -r requirements.txt


### 2.配置API密钥```bash
# Copy environment template
cp .env.example .env

# Edit .env and add your API keys
nano .env

所需API密钥:```env
OPENAI_API_KEY=sk-your-openai-key-here
GEMINI_API_KEY=your-gemini-key-here
CROSSREF_EMAIL=your-email@example.com


### 3.配置主题和源

编辑 `config/config.yaml`:```yaml
topics:
- "machine learning"
- "quantum computing"
- "CRISPR gene editing"

4.运行你的第一代```bash

Single run for today

python mcp_orchestrator.py --topics "machine learning" "AI" --max-items 50

Backfill last 7 days

python mcp_orchestrator.py --backfill 7

Run on schedule (daily at 2 AM UTC)

python mcp_orchestrator.py --schedule


## 📁 项目结构```
MCP Server for daily/
├── config/
│   └── config.yaml              # Main configuration
├── src/
│   ├── ai/
│   │   ├── summarizer.py        # Gemini/OpenAI summarizer
│   │   └── headline_generator.py # Headline generation
│   ├── discovery/
│   │   └── discovery_manager.py # API discovery (arXiv, PubMed, etc.)
│   ├── scrapers/
│   │   └── scraper_manager.py   # Web scraping with robots.txt
│   ├── extractors/
│   │   └── extractor_manager.py # Content extraction
│   ├── processors/
│   │   ├── deduplicator.py      # Deduplication logic
│   │   └── scorer.py            # Relevance scoring
│   ├── generators/
│   │   └── newspaper_generator.py # HTML/PDF generation
│   ├── storage/
│   │   └── database.py          # SQLite/PostgreSQL
│   └── utils/
│       ├── logger.py            # Logging setup
│       ├── config_loader.py     # Config management
│       └── notifier.py          # Slack/Email notifications
├── data/                        # Generated data
│   ├── newspapers/              # Daily newspapers
│   │   └── YYYY-MM-DD/
│   │       ├── newspaper.json
│   │       ├── newspaper.html
│   │       └── newspaper.pdf
│   ├── cache/                   # Cached data
│   └── mcp.db                   # SQLite database
├── logs/                        # Log files
├── mcp_orchestrator.py          # Main entry point
├── requirements.txt             # Dependencies
├── .env.example                 # Environment template
└── README.md                    # This file

🎯 使用示例

基本用法```bash

Single topic, today's date

python mcp_orchestrator.py --topics "protein folding"

Multiple topics, specific date

python mcp_orchestrator.py --topics "NLP" "transformers" --date 2025-10-15

Limit items processed

python mcp_orchestrator.py --topics "robotics" --max-items 30


### 高级用法```bash
# Backfill last 5 days
python mcp_orchestrator.py --backfill 5 --topics "climate change"

# Run scheduled job (keeps running)
python mcp_orchestrator.py --schedule

# Custom config file
python mcp_orchestrator.py --config my_config.yaml --topics "blockchain"

程序化使用```python

from mcp_orchestrator import MCPOrchestrator

Initialize

orchestrator = MCPOrchestrator(config_path='config/config.yaml')

Run pipeline

newspaper = orchestrator.run_pipeline(
topics=['deep learning', 'computer vision'],
date='2025-10-29',
max_items=100
)

print(f"Generated: {newspaper['paths']['html']}")


## ⚙️ 配置

### AI模型选择

在 `config/config.yaml`:```yaml
ai_models:
summarizer: "gemini"          # or "openai"
headline_generator: "gemini"  # or "openai"
embeddings: "openai"           # for relevance scoring
gemini_model: "gemini-1.5-pro-latest"
openai_chat_model: "gpt-4o"
openai_embedding_model: "text-embedding-3-small"

评分权重```yaml

scoring:
weights:
relevance: 0.35 # Semantic similarity to topics
recency: 0.25 # How recent the publication
credibility: 0.20 # Source reputation
novelty: 0.20 # Uniqueness
relevance_threshold: 0.6


### 速率限制```yaml
crawling:
rate_limit_per_second: 1.0
max_crawl_per_source: 200
respect_robots_txt: true
timeout_seconds: 30

📊 输出格式

1.JSON(newspaper.json)```json

{
"date": "2025-10-29",
"title": "Daily Research Bulletin: Machine Learning",
"sections": [
{
"id": "top_research",
"title": "Top Research Picks",
"items": [
{
"id": "arXiv:2501.01234",
"headline": "Scaling GNNs to Trillion-edge Graphs",
"tldr": "Introduces sparse attention for GNNs...",
"bullets": ["...", "..."],
"score": 0.92
}
]
}
]
}


### 2.HTML(`newspaper.html`)

专业报纸风格布局,包括:

- 标题和日期
- 目录
- 有文章的章节
- 可点击的源链接
- 元数据页脚

### 3.PDF(`newspaper.pdf`)

从HTML生成的可打印PDF。

## 🔧 高级功能

### 数据库选项

**SQLite(默认):**```yaml
storage:
database:
type: "sqlite"
path: "./data/mcp.db"

PostgreSQL:```yaml
storage:
database:
type: "postgresql"
host: "localhost"
port: 5432
database: "mcp_research"
user: "mcp_user"
password: "your_password"


### 通知

**松弛:**```yaml
notifications:
enabled: true
slack:
webhook_url: "https://hooks.slack.com/services/YOUR/WEBHOOK"

电子邮件:```yaml
notifications:
email:
smtp_host: "smtp.gmail.com"
smtp_port: 587
username: "your_email@gmail.com"
password: "your_app_password"


### 调度

**Cron表达式:**```yaml
schedule:
enabled: true
cron: "0 2 * * *"  # Daily at 2 AM UTC
timezone: "UTC"

📝 日志记录

日志将写入:

  • 控制台(彩色,信息级别)
  • logs/mcp.log (详细,调试级别,以10MB旋转)```python

Adjust log level in config/config.yaml

logging:
level: "INFO" # DEBUG, INFO, WARNING, ERROR


## 🤝 贡献

欢迎投稿!拜托:

1. 分叉存储库
1. 创建要素分支
1. 进行更改
1. 如果适用,添加测试
1. 提交拉取请求

## 📜 许可证

MIT许可证-有关详细信息,请参阅许可证文件

## ⚠️ 法律与道德

- **Robots.txt合规性**:始终遵守robots.txt指令
- **速率限制**:强制礼貌爬行(默认为1个请求/秒)
- **合理使用**:仅存储付费墙内容的元数据
- **归因**:所有来源均正确引用和链接
- **DMCA合规性**:根据有效的删除请求删除内容

## 🐛 故障排除

### API密钥错误```bash
# Verify keys are set
source .env
echo $OPENAI_API_KEY
echo $GEMINI_API_KEY

PDF生成问题```bash

Install wkhtmltopdf

sudo apt-get install wkhtmltopdf # Ubuntu/Debian
brew install wkhtmltopdf # macOS

Or use weasyprint (pure Python)

Set in config.yaml:

output:

pdf_engine: "weasyprint"


### 缺少的依赖```bash
# Reinstall all dependencies
pip install --upgrade -r requirements.txt

📞 支持

  • 问题: GitHub问题
  • 电子邮件: abhishek746781@gmail.com
  • 文档:参见 docs/ 文件夹

🙏 致谢

  • 用于GPT-4和嵌入API的OpenAI
  • Google for Gemini API
  • arXiv、PubMed、Crossref用于研究API
  • 开源社区

由以下材料制成❤️ 面向研究人员和知识寻求者

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP Research Bot 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv venv。装完在客户端配置里引用同一个包或端点。

MCP Research Bot 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Research Bot 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Research Bot 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Research Bot 能提供哪些能力?

资料显示能力标签包括 Python、自动化处理、云端部署。具体工具清单以官方文档为准。

MCP Research Bot 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP Research Bot 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。